Mulai dengan tiga pertanyaan berbeda
Diskusi tentang AI dan pekerjaan menjadi membingungkan ketika tiga ukuran diperlakukan sebagai dapat dipertukarkan. Eksposur menanyakan apakah sebuah teknologi dapat melakukan beberapa tugas dalam sebuah pekerjaan. Efek yang teramati menanyakan apakah ketenagakerjaan, jam kerja, upah, perekrutan, atau kualitas kerja telah sesungguhnya berubah. Prakiraan memperkirakan apa yang mungkin terjadi di bawah asumsi tentang kapabilitas, adopsi, permintaan, regulasi, dan ekonomi yang lebih luas. Sebuah pekerjaan dapat sangat terekspos tanpa menghilang: spreadsheet mentransformasi akuntansi, misalnya, sambil meningkatkan permintaan untuk beberapa pekerjaan akuntansi.
Estimasi eksposur global terkuat yang tersedia pada 2025 datang dari International Labour Organization dan institut NASK milik Polandia. Indeks tingkat-tugas mereka mengklasifikasikan sekitar 25% ketenagakerjaan global sebagai memiliki beberapa eksposur AI-generatif, tetapi hanya 3,3% dalam kategori eksposur-tertinggi. Para penulis menyimpulkan bahwa transformasi lebih mungkin daripada penggantian penuh karena sebagian besar pekerjaan menggabungkan tugas yang dapat diotomatisasi dan yang tidak. Eksposur lebih tinggi di ekonomi berpendapatan-tinggi dan bagi perempuan, sebagian besar karena ketenagakerjaan klerikal terdistribusi secara tidak merata. Itu adalah estimasi yang dimodelkan, bukan sebuah hitungan pekerjaan yang sudah hilang (ILO–NASK, Mei 2025).
Apa yang sesungguhnya teramati
Per September 2026, bukti pengangguran massal ekonomi-luas yang disebabkan AI generatif belum mapan. Adopsi itu substansial tetapi tidak merata, dan statistik ketenagakerjaan resmi tidak mengidentifikasi sebuah kategori “disebabkan-AI” yang bersih. Perusahaan mungkin menyebut AI sambil juga memangkas pekerjaan karena suku bunga, kelebihan-perekrutan, outsourcing, atau restrukturisasi biasa. Pemutusan kerja yang diumumkan karenanya adalah bukti kausal yang lebih lemah daripada sebuah studi yang membandingkan pekerja atau perusahaan serupa dengan eksposur AI yang berbeda.
Pola jangka-dekat yang lebih kredibel adalah realokasi dalam pekerjaan dan pipeline perekrutan. Eksperimen lapangan telah menemukan keuntungan produktivitas dalam tugas-tugas terbatas seperti dukungan-pelanggan dan penulisan, seringkali dengan keuntungan lebih besar bagi pekerja yang kurang berpengalaman. Itu tidak menyiratkan efek yang sama di seluruh sebuah pekerjaan: output yang lebih cepat dapat mengurangi jumlah pegawai, meningkatkan permintaan, meningkatkan kualitas, atau sekadar meningkatkan volume pekerjaan. AI Index 2026 milik Stanford melaporkan bahwa efek pasar-tenaga-kerja tidak merata dan terkonsentrasi pada beberapa pekerjaan yang terekspos dan pipeline perekrutan pekerja-muda, tetapi bukti ini masih berkembang alih-alih menjadi bukti bahwa satu generasi penuh telah tergeser (Stanford HAI, 2026).
Tugas klerikal tetap di antara yang paling terekspos, sementara eksposur telah meluas ke pekerjaan profesional yang terdigitalisasi seperti pemrograman, analisis, dan keuangan. Kehadiran fisik tidak membuat sebuah pekerjaan aman secara permanen; itu hanya membatasi apa yang dapat dilakukan sistem teks-dan-layar saat ini tanpa robotika — sebuah kesenjangan yang disurvei langsung oleh halaman keadaan robotika humanoid manual ini. Penilaian berlisensi dan kepercayaan interpersonal juga dapat memperlambat substitusi, meskipun institusi mungkin tetap mengotomatisasi persiapan, triase, dokumentasi, dan pemantauan di sekitar peran-peran tersebut.
Mengoreksi prakiraan judul-berita
Future of Jobs Report 2025 milik World Economic Forum memperkirakan 170 juta pekerjaan tercipta dan 92 juta tergeser pada 2030, untuk pertumbuhan bersih 78 juta. Angka-angka itu mencakup lima tren-makro sekaligus: perubahan teknologi, fragmentasi geoekonomi, transisi hijau, perubahan demografis, dan ketidakpastian ekonomi. Itu bukan sebuah estimasi pekerjaan yang tercipta atau dihancurkan oleh AI saja. Dalam ekspektasi pemberi kerja laporan itu, AI dan teknologi pemrosesan-informasi dikaitkan dengan 11 juta pekerjaan tercipta dan 9 juta tergeser. Metodologinya menggabungkan sebuah survei terhadap lebih dari 1.000 pemberi kerja besar dengan data ketenagakerjaan ILO, jadi itu mewakili ekspektasi pemberi kerja yang diproyeksikan secara global, bukan sebuah hasil yang terukur (WEF, Januari 2025). WEF adalah sebuah organisasi yang dipimpin pemberi kerja, sebuah perspektif yang harus diingat pembaca ketika menafsirkan surveinya.
Estimasi konsultansi seringkali mengukur “jam-jam yang secara teknis dapat diotomatisasi.” Itu dapat berguna untuk perencanaan skenario tetapi bukan prakiraan pengangguran. Penerapan bergantung pada keandalan, perancangan-ulang alur kerja, tanggung jawab hukum, biaya integrasi, tawar-menawar buruh, preferensi pelanggan, dan apakah otomasi membuat sebuah layanan cukup murah untuk memperluas permintaan. Sebuah model yang dapat melakukan 60% tugas yang tercantum dalam sebuah demonstrasi belum tentu telah mengotomatisasi 60% dari peran berbayar seorang pekerja.
Apa yang dapat diubah sebuah transisi AGI
Semua yang di atas menyangkut AI generatif saat ini. Efek tenaga kerja AGI adalah proyeksi, karena tidak ada uji yang disepakati yang telah menetapkan bahwa AGI ada. Sebuah sistem yang mampu mempelajari domain baru secara andal, merencanakan dalam cakrawala panjang, mengoperasikan alat, dan memperbaiki alur kerja dapat mengekspos jangkauan pekerjaan kognitif yang jauh lebih luas. Jika robotika juga menjadi murah dan andal, pekerjaan fisik dapat mengikuti. Sebaliknya, regulasi, struktur kepemilikan, preferensi manusia, dan permintaan komplementer dapat mempertahankan atau menciptakan pekerjaan bahkan dengan sistem yang jauh lebih kuat.
Ketidakpastian kuncinya bukan hanya kapabilitas tetapi distribusi keuntungan. Pertumbuhan produktivitas yang cepat dapat berdampingan dengan pendapatan-tenaga-kerja yang menurun jika pemilik modal menangkap sebagian besar pengembalian. Itu juga dapat membiayai upah yang lebih tinggi, minggu kerja yang lebih pendek, layanan publik, atau dividen sosial jika institusi mendistribusikan keuntungan. “Akankah ada pekerjaan?” karenanya kurang lengkap daripada menanyakan siapa yang memiliki sistem-sistem itu, siapa yang dapat menawar, siapa yang menanggung biaya transisi, dan apakah rumah tangga mempertahankan pendapatan dan agensi.
Eksposur yang tidak setara dan efek orde-kedua
Transisi jarang seragam. Pusat administratif mungkin terdampak sebelum wilayah yang didominasi konstruksi atau pekerjaan perawatan. Tugas tingkat-pemula mungkin menyusut bahkan ketika peran senior bertahan, melemahkan rute di mana pemula menjadi ahli. Pekerja dengan disabilitas mungkin mendapat bantuan yang berharga sambil juga menghadapi penyaringan dan pengawasan otomatis. Negara-negara berpendapatan-lebih-rendah mungkin memperoleh akses ke keahlian, namun kehilangan pekerjaan layanan yang di-outsource yang menjadi sandaran ekonomi lokal.
Pengukuran juga melewatkan kualitas kerja. AI dapat menghilangkan kerja-kasar, tetapi dapat mengintensifkan pekerjaan melalui pemantauan, target algoritmik, dan ekspektasi output yang konstan. Sebuah jumlah ketenagakerjaan yang stabil dapat menyembunyikan kompresi upah, jam kerja yang lebih sedikit, otonomi yang terdegradasi, atau pergeseran dari ketenagakerjaan staf ke kontrak yang tidak stabil. Sebaliknya, itu dapat menyembunyikan manfaat aksesibilitas dan kewirausahaan baru. Sebuah dasbor yang bertanggung jawab harus melacak perekrutan, upah, jam kerja, konten tugas, kontrol pekerja, dan distribusi—bukan hanya pemutusan kerja.
Sebuah pembacaan praktis untuk rumah tangga
Jangan membuat sebuah keputusan karier yang tidak dapat dibalik dari satu prakiraan. Perlakukan eksposur sebagai sebuah pengingat untuk uji-tuntas:
- Daftar tugas-tugas yang Anda dibayar untuk melakukannya, termasuk pekerjaan hubungan, akuntabilitas, dan konteks-fisik yang dilewatkan judul jabatan.
- Uji alat saat ini pada tugas nyata dan catat keandalan, beban pengawasan, dan biaya kegagalannya.
- Perhatikan perubahan dalam perekrutan, pengadaan, dan alur kerja pemberi kerja Anda—bukan hanya pernyataan eksekutif.
- Bangun bukti portabel dari penilaian, pengetahuan domain, kepercayaan klien, dan produktivitas yang dibantu-AI.
- Kurangi konsentrasi rumah tangga pada satu pemberi kerja atau bundel tugas yang sempit jika memungkinkan.
Kesimpulan yang jujur pada September 2026 bukanlah “tidak ada yang terjadi” maupun “sebagian besar pekerjaan akan segera lenyap.” Bukti saat ini menunjukkan eksposur tugas yang substansial, adopsi yang tidak merata, keuntungan produktivitas dalam pengaturan terbatas, dan gangguan awal dalam beberapa saluran perekrutan. Klaim pertumbuhan-bersih-ketenagakerjaan yang besar tetap prakiraan. Pergeseran skala-AGI adalah sebuah skenario yang masuk akal yang besarannya bergantung sama besarnya pada penerapan dan ekonomi-politik seperti pada kapabilitas model.